هوش مصنوعی نحوه توسعه محصولات زراعی را نشان می دهد

کدام گیاهان را باید با چه نسبت ترکیب کنم تا بیشترین بازده ممکن را داشته باشم؟ و اگر به جای کودهای مصنوعی از کود دامی استفاده کنم، محصول من چگونه توسعه می یابد؟ در آینده، کشاورزان باید به طور فزاینده ای بتوانند در هنگام پاسخ دادن به چنین سؤالاتی روی پشتیبانی رایانه حساب کنند.

لوکاس دریس از موسسه ژئودزی و اطلاعات جغرافیایی توضیح می دهد که محققان دانشگاه بن اکنون گامی مهم در مسیر رسیدن به این هدف برداشته اند: «ما نرم افزاری را توسعه داده ایم که از عکس های پهپاد برای تجسم توسعه آینده گیاهان نشان داده شده استفاده می کند. در دانشگاه بن محقق اولیه شغلی یک کارمند در PhenoRob Cluster of Excellence است. این پروژه در مقیاس بزرگ که در دانشگاه بن مستقر است، قصد دارد دیجیتالی کردن هوشمندانه کشاورزی را پیش ببرد تا به کشاورزی کمک کند تا با محیط زیست سازگارتر شود، بدون اینکه محصول برداشت آسیب ببیند.

نگاهی مجازی به آینده برای کمک به تصمیم گیری

برنامه کامپیوتری که اکنون توسط Drees و همکارانش در مجله Plant Methods ارائه شده است، یک عنصر سازنده مهم است. در نهایت باید امکان شبیه سازی تصمیمات خاص را به صورت مجازی فراهم کند - به عنوان مثال، ارزیابی اینکه چگونه استفاده از آفت کش ها یا کودها بر عملکرد محصول تأثیر می گذارد.

برای این کار، برنامه باید با عکس های پهپاد از آزمایش های میدانی تغذیه شود. این محقق دکتری توضیح می دهد: ما در یک دوره رشد هزاران تصویر گرفتیم. به عنوان مثال، به این ترتیب، توسعه محصولات گل کلم را تحت شرایط خاصی ثبت کردیم.» سپس محققان با استفاده از این تصاویر الگوریتم یادگیری را آموزش دادند. پس از آن، بر اساس یک تصویر هوایی منفرد از مرحله اولیه رشد، این الگوریتم توانست تصاویری تولید کند که توسعه آینده محصول را در یک تصویر جدید و مصنوعی ایجاد کرده است. کل فرآیند بسیار دقیق است تا زمانی که شرایط محصول مشابه شرایط موجود در هنگام گرفتن عکس های آموزشی باشد. در نتیجه، نرم افزار اثر یک سرمای ناگهانی یا باران مداوم چند روزه را در نظر نمی گیرد. با این حال، باید در آینده یاد بگیرد که چگونه رشد تحت تأثیر تأثیراتی مانند اینها قرار می گیرد - و برای مثال افزایش استفاده از کودها. این باید آن را قادر سازد تا نتیجه برخی مداخلات توسط کشاورز را پیش بینی کند.

Drees می گوید: «علاوه بر این، ما از دومین نرم افزار هوش مصنوعی استفاده کردیم که می تواند پارامترهای مختلفی را از عکس های گیاهی، مانند عملکرد محصول تخمین بزند. "این همچنین با تصاویر تولید شده کار می کند. بنابراین تخمین دقیق اندازه بعدی سر گل کلم در مراحل اولیه دوره رشد ممکن است."

تمرکز بر چندفرهنگی

یکی از زمینه هایی که محققان بر روی آن تمرکز می کنند، استفاده از چند فرهنگ است. این به کاشت گونه های مختلف در یک مزرعه - مانند لوبیا و گندم اشاره دارد. از آنجایی که گیاهان نیازهای متفاوتی دارند، در مقایسه با تک کشتی که تنها یک گونه در آن رشد می کند، در این نوع چندکشتی کمتر با یکدیگر رقابت می کنند. این باعث افزایش عملکرد می شود. علاوه بر این، برخی از گونه ها - لوبیاها مثال خوبی برای این موضوع هستند - می توانند نیتروژن هوا را ببندند و از آن به عنوان یک کود طبیعی استفاده کنند. گونه های دیگر، در این مورد گندم نیز از این سود می برند.

Drees توضیح می دهد: «پلی کالچرها نیز کمتر در معرض آفات و سایر تأثیرات محیطی هستند. با این حال، این که چقدر خوب کار می کند، بستگی زیادی به گونه های ترکیبی و نسبت اختلاط آنها دارد. هنگامی که نتایج حاصل از بسیاری از آزمایش های اختلاط مختلف به الگوریتم های یادگیری وارد می شود، می توان توصیه هایی در مورد اینکه کدام گیاهان به ویژه سازگار هستند و در چه نسبتی با هم سازگار هستند، استخراج کرد.

شبیه سازی رشد گیاهان بر اساس الگوریتم های یادگیری یک پیشرفت نسبتا جدید است. مدل های مبتنی بر فرآیند تا کنون بیشتر برای این منظور مورد استفاده قرار گرفته اند. اینها - به بیان استعاری - درک اساسی از مواد مغذی و شرایط محیطی گیاهان خاص در طول رشد خود برای رشد دارند. Drees تاکید می کند: "اما نرم افزار ما اظهارات خود را صرفاً بر اساس تجربه ای که با استفاده از تصاویر آموزشی جمع آوری کرده است بیان می کند."

هر دو رویکرد مکمل یکدیگر هستند. اگر قرار باشد آنها به شیوه ای مناسب ترکیب شوند، می تواند به طور قابل توجهی کیفیت پیش بینی ها را بهبود بخشد. این محقق دکتری می گوید: این هم نکته ای است که در مطالعه خود به بررسی آن می پردازیم: چگونه می توانیم از روش های مبتنی بر فرآیند و تصویر استفاده کنیم تا به بهترین نحو ممکن از یکدیگر بهره ببرند؟